经济同质性城市群交通碳排放驱动机制与空间格局异质性

引用本文

温晓娟, 谢郑一, 张煌帆, 徐艺诺, 翁大维, 胡喜生, 张兰怡. 经济同质性城市群交通碳排放驱动机制与空间格局异质性[J]. 环境科学, 2026, 47(6): 3617-3626.

WEN Xiao-juan, XIE Zheng-yi, ZHANG Huang-fan, XU Yi-nuo, WENG Da-wei, HU Xi-sheng, ZHANG Lan-yi. Driving Mechanisms and Spatial Pattern Heterogeneity of Transportation Carbon Emissions in Economically Homogeneous Urban Agglomerations[J]. Environmental Science, 2026, 47(6): 3617-3626.

经济同质性城市群交通碳排放驱动机制与空间格局异质性

温晓娟, 谢郑一, 张煌帆, 徐艺诺, 翁大维, 胡喜生, 张兰怡

福建农林大学交通与土木工程学院，福州 350108

收稿日期: 2025-04-18; 修订日期: 2025-08-06

基金项目: 教育部人文社科一般项目青年基金项目（25YJC630183）；福建省自然科学基金项目（2023J01475）；福建省社科规划项目（FJ2022B065）；福建农林大学“杰出青年科研人才”计划项目（社会科学类）（xjq2020S4）；福建农林大学科技创新专项（KFb22101XA）；国家级大学生创新创业训练计划项目（202410389030，202410389034）

作者简介: 温晓娟（2000~），女，硕士研究生，主要研究方向为交通环境影响评价，E-mail：wen_xiaoj@163.com

通信作者: 张兰怡, E-mail：lyzhang@fafu.edu.cn

摘要: 在“双碳”战略目标推动下，交通作为典型的高能耗和高排放行业，其碳排放的区域差异性成为关注焦点. 现有研究多聚焦于城市尺度或单一城市群，对经济发展水平相近但区位结构不同的城市群之间的交通碳排放差异缺乏系统性比较分析. 鉴于此，选取长三角城市群与粤闽浙城市群为代表，构建了“时间-空间-机制”三维分析框架，从经济同质性背景出发，探讨其交通碳排放的演化特征与驱动机制的空间异质性. 首先，基于标准差椭圆法（SDE）识别两大城市群2010~2022年交通碳排放的时空格局演变；其次，运用对数平均迪氏指数（LMDI）分解模型量化多维驱动因素的贡献，并引入多尺度地理加权回归模型（MGWR）揭示其空间异质性. 结果表明：①经济发展水平与单位货物经济效益在两地均表现为主要促进作用，而能源强度与交通运输强度则普遍抑制碳排放增长；②长三角城市群碳排放重心集中在江苏无锡；粤闽浙城市群重心稳定在福建龙岩；③能源结构和能源强度对碳排放的影响在地理空间上趋于局部化. 研究结果可为经济发展同质性的城市群制定区域差异化减排策略提供实证支持与空间决策依据.

关键词: 交通碳排放城市群对数平均迪氏指数（LMDI）分解模型多尺度地理加权回归模型（MGWR）标准差椭圆方法（SDE）

Driving Mechanisms and Spatial Pattern Heterogeneity of Transportation Carbon Emissions in Economically Homogeneous Urban Agglomerations

WEN Xiao-juan , XIE Zheng-yi , ZHANG Huang-fan , XU Yi-nuo , WENG Da-wei , HU Xi-sheng , ZHANG Lan-yi

College of Transportation and Civil Engineering, Fujian Agriculture and Forestry University, Fuzhou 350108, China

Abstract: Under the impetus of the "dual carbon" strategic goals, traffic, as a typical high-energy-consumption and high-emission industry, has seen its regional differences in carbon emissions become a focal point of attention. Existing research predominantly focuses on the urban scale or single urban agglomerations, lacking systematic comparative analysis of transportation carbon emission differences between urban agglomerations with similar economic development levels but different locational structures. In light of this, this study selects the Yangtze River Delta and the Guangdong-Fujian-Zhejiang urban agglomerations as representatives, constructing a "time-space-mechanism" three-dimensional analytical framework. From the perspective of economic homogeneity, it explores the evolutionary characteristics of their transportation carbon emissions and the spatial heterogeneity of driving mechanisms. Firstly, based on the standard deviation ellipse (SDE) method, the spatiotemporal pattern evolution of transportation carbon emissions in the two urban agglomerations from 2010 to 2022 was identified. Secondly, the logarithmic mean Divisia index (LMDI) decomposition method was used to quantify the contributions of multidimensional driving factors, and the multiscale geographically weighted regression (MGWR) model was introduced to reveal their spatial heterogeneity. The study found that: ① Economic development level and unit cargo economic efficiency were the main promoting factors in both regions, while energy intensity and transportation intensity generally inhibited carbon emission growth. ② The center of carbon emissions in the Yangtze River Delta urban agglomeration was concentrated in Wuxi, Jiangsu, and the center in the Guangdong-Fujian-Zhejiang urban agglomeration remained stable in Longyan, Fujian. ③ The impact of energy structure and energy intensity on carbon emissions tended to be localized and refined in geographical space. This study provides empirical support and a spatial decision-making basis for formulating regionally differentiated emission reduction strategies among different urban agglomerations.

Key words: transportation carbon emissions urban agglomerations logarithmic mean Divisia index(LMDI)model multiscale geographically weighted regression model(MGWR) standard deviation ellipse(SDE)

交通运输业作为国民经济发展的基础性产业，在推动社会进步的同时，也带来了显著的能源与环境压力^[1~5]. 据统计，全球交通领域贡献了约22%~24%的温室气体排放^[6]，而中国碳排放总量约占全球1/3^[7]. 为应对气候变化与绿色发展挑战，中共中央国务院《关于加快经济社会发展全面绿色转型的意见》和《2024~2025年节能降碳行动方案》均将交通领域列为重点减排方向. 在此背景下，厘清交通碳排放的驱动机制及其空间分异规律，成为制定分区减排路径和实现“双碳”目标的重要基础.

近年来，已有研究在交通碳排放的时空演化与驱动因素识别方面取得积极进展. 在空间分析方法上，全局莫兰指数、地理加权回归（geographically weighted regression，GWR）、标准差椭圆（standard deviation ellipse，SDE）以及多尺度地理加权回归模型（multiscale geographically weighted regression，MGWR）等被广泛应用于交通碳排放空间格局识别与演化分析^[8~12]. 在驱动机制研究中，STIRPAT模型和对数平均迪氏指数（logarithmic mean Divisia index，LMDI）分解模型常用于量化不同因素的影响权重^[13~16]. 本团队前期在省域和城市群尺度上开展了相关分析^[10，17~19]. 然而，现有研究大多聚焦于单一城市群内部结构演化^[20~23]，对城市群之间的横向比较分析较少. 尤其是在经济发展水平、城镇化率以及第三产业占比相近的城市群之间，其交通碳排放是否存在空间格局与驱动机制上的系统性差异，尚缺乏深入探讨. 考虑到“双碳”政策推动区域协同治理的现实需求，亟需开展经济同质性背景下城市群间的对比研究，以支撑更加精准的减排策略制定. 鉴于此，本文以长三角城市群与粤闽浙城市群为研究对象，构建“时间-空间-机制”三维分析框架，采用LMDI模型量化碳排放驱动因素的时间效应，基于SDE法识别空间分布格局，引入MGWR模型解析各驱动因素的空间尺度异质性，以期为多区域协同减排政策的优化提供决策依据.

1 材料与方法 1.1 研究区概况

为探究经济发展水平相近但区位结构不同的城市群在交通碳排放空间格局及驱动机制上的异同，选取长三角城市群与粤闽浙城市群作为研究对象，其中，浙江作为地理单元横跨两大区域. 两大城市群处于经济发展态势较强劲、交通基础设施较完善和能源消费较密集的发展阶段，在“双碳”政策推进中均被列为关键减排区域，具备良好的可比性与代表性. 其中，长三角城市群涵盖上海、江苏、浙江和安徽部分地区，是“一带一路”与长江经济带的重要交汇地^[24]；该区域经济腹地广阔，集聚现代化江海港口群和高密度交通网络，是我国最具活力的经济增长区域之一，也是国家层面交通一体化与绿色低碳转型政策的重点实施区. 粤闽浙城市群则由广东、福建和浙江城市组成，地处东南沿海，是承接国际产业链转移和海洋经济发展的前沿地带^[25]；区域内经济发展水平较高，但能源结构中传统化石能源占比较大，交通能源需求持续增长，碳排放问题相对突出 ^[19，26]. GDP作为宏观经济动态的核心变量，在衡量城市群发展阶段和同质性方面具备代表性^[27~30]. 从近十余年经济增长情况来看，两大城市群的年均GDP增速分别约为8.4%和8.6%（见表 1），两者差距极小，表明二者在经济发展阶段上保持高度一致；其次，在城镇化率以及第三产业占比方面，二者的差距也较小，可见两大城市群在经济上具有较强的同质性. 综上，对两大城市群的交通碳排放在空间演化与驱动机制方面进行对比，能够在一定程度上减少经济结构异质性的干扰，同时有助于深入理解区位和结构差异对碳排放模式的作用机制，为制定差异化政策和推动区域协同减排提供经验证据和理论依据.

表 1 长三角城市群与粤闽浙城市群指标对比/% Table 1 Comparison of indicators between the Yangtze River Delta and the Guangdong-Fujian-Zhejiang urban agglomerations/%

1.2 研究方法 1.2.1 交通碳排放测算方法

“自上而下”方法基于能源消耗量、能源平均低热值及能源种类等数据建立碳排放清单，相关研究已证实该方法适用于宏观尺度的碳排放测算^{[17，19，31]}. 因此，本研究沿用该方法测算城市群的交通碳排放量，具体公式见文献[19].

1.2.2 LMDI模型

LMDI模型基于Kaya恒等式，量化分析各因素对碳排放的具体影响，在分解过程中避免传统分解方法可能出现的残差问题，提高分析的准确性和可靠性^[32]，在驱动因素分解方面具有较好的解释性. 因此，本研究沿用该模型对驱动因素进行分解，表达式见式（1）：

C E = \sum [\frac{C_{j}}{E_{j}} \times \frac{E_{j}}{E} \times \frac{E}{G} \times \frac{G}{P} \times P \times \frac{G}{P R} \times \frac{P R}{F V} \times \frac{F V}{G}]

(1)

式中，CE为总碳排放量，C_j 为各类能源产生的碳排放量，E_j为各类能源的消费量，E为能源消费总量，G为国民生产总值，P为人口规模，PR为港口货物吞吐量，FV为货运总量. 进一步地，将C_j /E_j表示为CI，代表能源碳排放系数；将E_j/E表示为ES，代表能源结构；将E/G表示为GI，代表能源强度；将G/P表示为GP，代表经济发展水平；将G/PR表示为HJ，代表单位货物经济效益；将PR/FV表示为TS，代表运输结构；将FV/G表示为TE，代表交通运输强度. 此时，式（1）变为：

C E = C I \times E S \times G I \times G P \times P \times H J \times T S \times T E

(2)

在式（2）基础上，结合LMDI分解模型的加法公式，第T a的交通碳排放量相对于第0 a（基年）的变化量，见式（3）：

$ \begin{equation} \begin{aligned} \Delta \mathrm{CE}= & \mathrm{CE}^T-\mathrm{CE}^0=\Delta C_{\mathrm{CI}}+\Delta C_{\mathrm{ES}}+\Delta C_{\mathrm{GI}}+ \\ & \Delta C_{\mathrm{GP}}+\Delta C_P+\Delta C_{\mathrm{HJ}}+\Delta C_{\mathrm{TS}}+\Delta C_{\mathrm{TE}} \end{aligned} \end{equation} $

(3)

式中，ΔC_CI、ΔC_ES、ΔC_GI、ΔC_GP、ΔC_P、ΔC_HJ、ΔC_TS和ΔC_TE分别表示碳排放强度、能源结构、能源强度、经济发展水平、人口规模、单位货物经济效益、运输结构和交通运输强度对交通碳排放变化的贡献值.

1.2.3 SDE法

标准差椭圆法通过构建标准椭圆概括数据点的分布，刻画交通碳排放在空间分布上的集中趋势、离散程度及时空变迁规律，适合解释地理要素的时空演变特征^[33]. 该方法以空间分布的重心为中心，以长轴、短轴以及方位角为基本参数，具体公式见文献[1，10].

1.2.4 MGWR模型

MGWR模型是一种优化后的局部回归模型，可用于统计显著性检验，它允许各个变量拥有不同的带宽，从而能够自适应地调整尺度效应. 该模型不仅能增强模型对每个变量在其最适合的尺度上空间分布特征的反映能力，还能显著提高模型整体的解释力和预测准确性，进而揭示空间数据的一致性^[34]，具体公式见式（4）：

Y_{n} = \sum_{n = 1}^{k} β_{b k} (u_{n}, v_{n}) X_{n k} + β_{0} (u_{n}, v_{n}) + ε_{n}

(4)

式中，Y_n为空间样本点n的因变量，在本研究中代表空间样本点n的交通碳排放量；β_bk（u_n，v_n）表示在该带宽下空间样本点n的第k个解释变量的局部回归系数；bk为变量回归系数采用的带宽；（u_n，v_n）为第n个样本点的空间质心坐标；X_nk为空间样本点n的第k个自变量；β₀（u_n，v_n）为空间样本点n的截距；ε_n为相对独立的随机误差项.

1.3 数据来源

在充分考虑长三角城市群和粤闽浙城市群能源消费的实际情况下，筛选出原煤、汽油、煤油、柴油、燃料油、液化石油气和天然气等7类能源进行分析，能源平均低热值、折算标准煤系数、能源消耗量和二氧化碳排放系数等数据来源于研究年份的《中国能源统计年鉴》《国家温室气体排放清单指南》《中国城市统计年鉴》及国家和各地级市的统计年鉴以及本团队前期的研究成果^{[10，17，19]}. 港口数据来源于同期的《中国港口年鉴》. 为保证碳排放测算的连续性与计算的可行性，将能源实物终端消耗量为0的数据和港口总吞吐量为0的数据替换成极小值1×10^-50[18]，以避免在后续建模中出现除以0的异常计算问题.

2 结果与分析 2.1 两大城市群总体碳排放量分析

图 1展示了两大城市群在2010~2022年间交通碳排放总量及其环比增速的变化趋势.

图 1 两大城市群交通碳排放量和环比增速 Fig. 1 Transportation carbon emissions and annual growth rate of the two urban agglomerations

尽管两大城市群的交通发展模式与能源结构存在差异，但均表现出“持续增长-疫情冲击下阶段性回落”的趋势特征. 其中，长三角城市群碳排放量从2010年约9 500万t稳步增长至2019年峰值（约13 500万t）；2020年后碳排放量开始波动，尤其在2021~2022年间下降幅度明显，环比下降约11%，该现象的产生主要受到疫情所导致的交通出行受限和经济活动减缓的影响，同时叠加区域交通结构优化与新能源车辆推广等政策因素，使得碳排放出现阶段性回落. 粤闽浙城市群的变化趋势与长三角城市群相似，2010年碳排放量约为8 300万t，至2019年达到峰值约11 400万t；2020~2022年间，该区域同样受到疫情冲击，碳排放量持续下降，2022年碳排放环比增速为-13.5%，为整个研究期内最大降幅. 总体来看，两大城市群在2010~2019年间的碳排放量均呈持续增长态势，反映出工业化和城市化进程加快带来的交通需求扩张，推动交通碳排放不断上升.

2.2 两大城市群交通碳排放驱动力分析 2.2.1 驱动因素选取

为深入探究两大城市群交通碳排放的差异性驱动机制，在充分参考已有研究及团队前期成果的基础上，结合研究区实际特征，选取7类典型驱动因素：人口规模、经济发展水平、能源结构、能源强度、交通运输强度、运输结构与单位货物经济效益^[35~44]. 其中，前4类因素为传统驱动变量，后3类则结合研究区港口密集以及交通模式多元等特征进行扩展，确保模型解释的完整性与区域适应性. 为验证所选变量的合理性，采用Spearman相关系数与方差膨胀因子（variance inflation factor，VIF）检验变量间的多重共线性（见图 2和表 2）. 结果显示各变量的VIF值均低于10，表明模型中不存在严重共线性，可进一步开展分解分析.

1.单位货物经济效益，2.交通运输强度，3.经济发展水平，4.能源强度，5.人口规模，6.能源结构，7.碳排放图 2 变量与碳排放的相关性热力图 Fig. 2 Heatmap of the correlation between variables and carbon emissions

表 2 变量多重共线性检验结果 Table 2 Results of the multicollinearity test for variables

2.2.2 驱动因素分解

图 3展示了2010~2022年间两大城市群各驱动因素对交通碳排放的贡献值变化趋势. 图中正值表示此驱动因素对交通碳排放起到促进作用，负值表示对交通碳排放起到抑制作用. 整体来看，由于两地经济增速较为接近，因此主要驱动因素的作用方向大致相似，但在影响强度与结构表现上存在一定差异，具体如下.

1. 2010~2011年，2. 2011~2012年，3. 2012~2013年，4. 2013~2014年，5. 2014~2015年，6. 2015~2016年，7. 2016~2017年，8. 2017~2018年，9. 2018~2019年，10. 2019~2020年，11. 2020~2021年，12. 2021~2022年图 3 两大城市群交通碳排放驱动力贡献值 Fig. 3 Contribution values of transportation carbon emission driving forces in the two urban agglomerations

2.2.2.1 经济发展水平、人口规模与单位货物经济效益：主要促进因素

经济发展水平对长三角和粤闽浙城市群的交通碳排放均具有显著的促进作用，累计产生碳排放量分别约11 000万t和9 000万t. 随着经济发展，高耗能和高排放产业的占比相对较高，且产业转型升级速度相对滞后，能源利用效率提升缓慢，加剧了区域碳减排压力. 需要注意的是，在下列研究期内，经济发展水平对交通碳排放的促进作用呈现减缓趋势：①在2012~2013年“十二五”规划期间，粤闽浙城市群加大了环境保护与节能减排力度，广东省、福建省以及浙江省交通碳排放与经济增长均呈现弱脱钩现象^[45，46]，经济发展对碳排放量的推动作用有所减弱，导致经济发展水平对交通碳排放的贡献值下降约300万t；长三角城市群在促进技术进步和加强节能减排力度方面取得了进展，使得经济发展水平对交通碳排放的贡献值下降约100万t；②在2019~2020年疫情期间，经济发展水平对交通碳排放的促进作用明显下降，其对长三角城市群和粤闽浙城市群的交通碳排放促进作用较上一年分别减弱约1 100万t和940万t，主要是由于疫情影响下交通出行受限以及经济活动减缓导致；其次，人口规模呈现和经济发展水平类似的趋势，在本研究期内长三角城市群和粤闽浙城市群对交通碳排放整体的促进作用分别约为1 100万t和1 700万t，表明人口规模的扩大带动了大量的人口流动和货物运输，使得交通碳排放量增加；此外，单位货物经济效益对长三角城市群的交通碳排放累计贡献值较高，其对长三角城市群和粤闽浙城市群交通碳排放量累计促进约为5 100万t和5 400万t，表明这两大城市群的地理优势使得港口发展以及港口货运吞吐量的逐年增加，装卸和运输活动增加，导致碳排放上升.

2.2.2.2 能源强度与交通运输强度：主要抑制因素

在本研究期内，能源强度是抑制城市群交通碳排放增长的最关键因素. 具体来看，其对长三角城市群和粤闽浙城市群累计减排量分别约为10 500万t和10 100万t. 其中，能源强度在2021~2022年减排表现最为突出，其对长三角城市群和粤闽浙城市群的减排量分别约为1 800万t和1 900万t. 能源强度作为衡量交通行业能源利用效率的重要指标，其抑制作用表明两大城市群在绿色能源和节能技术的实施与创新方面取得了一定成效，不仅有效缓解了交通碳排放增长的压力，也为区域可持续发展提供了有力支撑.

其次，交通运输强度在本研究期内也对长三角和粤闽浙城市群的交通碳排放量起到了显著的抑制作用，累计减排贡献分别约为4 600万t和4 700万t. 长三角和粤闽浙两大城市群的交通运输需求在城市化进程中不断增加，然而，区域交通碳排放强度却呈下降趋势，反映出单位运输碳排放水平得到了有效控制. 此外，已有研究表明，新能源汽车的推广同样有助于降低单位交通碳排放强度，对交通部门整体碳减排发挥积极作用^[47，48].

2.2.2.3 运输结构：主要呈抑制作用

在本研究期内，运输结构对长三角和粤闽浙城市群的交通碳排放总体呈现出抑制作用，累计减排量分别约为400万t和660万t，这可能是因为近年来两大城市群相关港口企业积极投资建设低碳项目，在减少对传统化石燃料依赖的同时，采用了节能减排和自动化操作技术，使得港口运营效率提高，进而对交通碳排放起到相应的抑制作用.

2.2.2.4 能源结构：城市群间差异最显著的因素

能源结构对两个城市群交通碳排放的作用存在显著差异. 在本研究期内，能源结构对长三角城市群交通碳排放起到抑制作用，减排量累计约120万t，说明长三角城市群在车辆结构、燃油经济性以及能源结构等方面进行了优化，增加清洁能源的使用比例并大力推广新能源汽车，使交通碳排放减少；反之，能源结构对粤闽浙城市群交通碳排放则起到促进作用，累计促进排放约为200万t，表明粤闽浙城市群的能源结构相对更依赖碳排放较高的能源种类. 因此，粤闽浙城市群在未来需要进一步优化能源结构，减少对高碳能源的依赖，以实现交通领域的碳减排目标.

2.3 两大城市群交通碳排放时空演化分析

为揭示两大城市群交通碳排放空间格局的演化特征，分析长三角城市群与粤闽浙城市群在2010~2022年交通碳排放的空间分布特征与重心迁移轨迹（见图 4）. 两大城市群的碳排放空间格局在本研究期内均呈现出“扩张+偏移”的复合演化趋势，表现为椭圆面积扩大、长轴与方向角调整以及碳排放重心的阶段性迁移.

图 4 两大城市群碳排放标准差椭圆及重心迁移分布 Fig. 4 Standard deviation ellipse and centroid migration distribution of carbon emissions in the two urban agglomerations

2.3.1 碳排放空间扩张方向趋于收敛

在方位角演变进程中，两大城市群均表现出方位角收窄且持续向西北方位偏移的显著特征. 其中，图 4（a）中长三角城市群的方向角在2010~2016年间不断向西北方向转移，方向角调整幅度最大达到4.45°，此现象主要与交通领域需求增长密切相关. 此外，在《安徽省2014~2015年节能减排低碳发展行动方案》中明确指出，当前部分具有高运输需求行业仍出现了阶段性扩张的情况，导致交通碳排放格局在此阶段产生了一定波动. 而在疫情期间，长三角城市群方向角变化趋于稳定，保持在约141°，表明在疫情的特殊时期下，碳排放的空间分布格局逐渐走向稳定状态. 在图 4（b）中，粤闽浙城市群方向角则从46.41°降至45.69°，变化幅度为0.72°，呈现出与长三角城市群相类似的收敛趋势，该情况是区域产业转移、福建沿海交通网络优化和港口物流格局调整等多种因素共同作用的结果.

2.3.2 空间分布经历“扩张-收敛”阶段

在长轴方面来看，在2020~2022年间，长三角城市群的长轴从306.07 km收敛到302.73 km，表明疫情对长三角城市群交通碳排放的空间扩张趋势产生了显著的影响. 在疫情期间，长三角城市群的跨城通勤受到了较大冲击，人口流动的显著减弱直接导致城市群碳排放的空间扩张缺乏足够的动力，进而引发了长轴长度的收缩趋势. 相较之下，粤闽浙城市群的长轴在2010~2015年间呈现显著扩张（691.22 km→703.15 km），之后变化幅度相对较小，波动趋于平稳. 长轴到2022年回落至688.21 km，表明粤闽浙城市群的空间格局已相对稳定，并未出现明显的结构性扩张，原因可能是《长三角区域生态环境共同保护规划》等相关政策的出台，使得上海、江苏、浙江和安徽四地对区域间环境监管以及执法协作进一步加强，进而导致碳排放的空间分布相对集中于沿海经济带，而非无序扩张.

在短轴方面，长三角城市群由2010年的195.49 km扩大到2022年的199.87 km，粤闽浙城市群由2010年的162.11 km扩大到168.72 km，均显示出扩张的趋势，反映出城市群交通碳排放在空间分布上变得更加分散，区域边缘城市发展速度的加快以及城市群区域间交通基础设施的改善是导致此现象的原因. 与此同时，国务院关于印发《“十四五”现代综合交通运输体系发展规划的通知》中，强化了上海、杭州、南京、厦门、广州以及深圳等枢纽城市的国际门户功能，重点推进综合交通枢纽建设，进而使得区域交通网络整体得到优化，交通碳排放呈现发散趋势，进而促使短轴长度随之扩张.

2.3.3 重心迁移轨迹

从重心位置来看，长三角城市群的交通碳排放重心主要位于江苏省无锡市内，表明区域内部碳排放格局趋于稳定. 无锡市作为长三角重要的经济与交通枢纽，凭借其庞大的交通流量、高度活跃的经济活动以及密集的港口物流网络，成为区域内高碳排放活动的聚集地. 其地理位置又处于多个高碳排放城市的交汇中心，进一步强化了其在区域碳排放中的主导角色. 相比之下，粤闽浙城市群的碳排放重心虽然始终位于福建省龙岩市，但其迁移路径变化明显，迁移幅度较长三角城市群更为显著，反映出其区域内的碳排放空间格局存在一定的波动性，主要受区域内产业结构调整、政策导向以及城市经济规划变化的共同影响. 在2019年前，广东省虽在能源结构优化方面取得了一定进展，但煤炭以及石油等传统化石能源结构比例仍占约70%. 同期，浙江省产业结构呈现多元化特征，服务业和数字经济的发展相对突出，因此对碳排放贡献相对较低^[49]. 而2019年后《浙江省“十三五”低碳发展报告》中指出，浙江省的经济受到全球健康危机和国际经济形势等多重因素的叠加影响，导致碳排放不降反升，使得碳排放重心在2019年后向东北方向大幅迁移.

2.3.4 MGWR模型尺度效应分析

为进一步揭示各驱动因素对交通碳排放的空间影响机制，采用MGWR模型识别变量在不同空间尺度上的作用差异. 考虑模型拟合精度，选用SOF-f收敛标准（即回归系数变化幅度小于1×10⁻⁵）作为判断依据，确保模型稳定性与结果可靠性. 表 3列出了2010年与2022年MGWR模型下各解释变量的回归系数描述性统计结果及其最优带宽. 带宽大小反映变量影响的空间尺度：值越小，说明该变量对碳排放的影响越局部化，空间异质性越强；反之，则表明其具有更广泛的区域影响范围. 从带宽变化来看，能源结构的带宽由2010年的49减少到2022年的46，能源强度的带宽也由51减少到48，表明二者对碳排放的影响在空间上呈现出更明显的局部化趋势，说明随着绿色能源与节能技术的区域性推进，其影响逐渐集中于特定城市或区域，而非全域均衡扩散. 交通运输强度、运输结构和单位货物经济效益的带宽在2010年和2022年均为70，占样本总量的100%，表明其对碳排放的影响在空间上表现出一致性，近年来我国趋于一致的交通运输政策导向以及港口物流标准促使其碳排放在空间上呈现一致性. 而人口规模在2010年带宽为43，带宽较小，表明其空间异质性较大. 2010年经济发展水平的带宽为46，在2022年经济发展水平的带宽增大到70，空间尺度逐步扩大，空间异质性相对减弱.

表 3 MGWR模型回归系数描述性统计结果 Table 3 Descriptive statistics of the regression coefficients for the MGWR model

年份	变量	均值	标准差	最小值	中位数	最大值	带宽
2010	常数项	-0.036	0.060	-0.125	-0.045	0.048	43
	能源结构	0.948	0.271	0.520	1.156	1.159	49
	能源强度	-0.077	0.005	-0.088	-0.078	-0.063	51
	经济发展水平	0.239	0.203	0.010	0.247	0.638	46
	人口规模	0.426	0.421	-0.004	0.328	1.174	43
	交通运输强度	-0.044	0.006	-0.055	-0.040	-0.039	70
	运输结构	0.022	0.002	0.020	0.021	0.026	70
	单位货物经济效益	0.037	0.029	-0.002	0.053	0.071	70
2022	常数项	-0.057	0.046	-0.151	-0.043	0.025	43
	能源结构	0.944	0.461	0.294	1.300	1.327	46
	能源强度	-0.159	0.040	-0.214	-0.178	-0.099	48
	经济发展水平	0.177	0.106	0.033	0.234	0.293	70
	人口规模	0.442	0.432	-0.013	0.375	1.128	43
	交通运输强度	0.033	0.012	0.016	0.030	0.056	70
	运输结构	-0.027	0.006	-0.031	-0.030	-0.018	70
	单位货物经济效益	0.009	0.006	-0.006	0.012	0.016	70

表 3 MGWR模型回归系数描述性统计结果 Table 3 Descriptive statistics of the regression coefficients for the MGWR model

通过前期对交通碳排放的研究可知，经济发展水平和人口规模对交通碳排放起促进作用^[19]，同时，考虑到两个城市群地处经济发达区域，货物吞吐量大，增加考虑单位货物经济效益变量. 为更直观反映变量在不同区域的空间作用特征，绘制以上变量的回归系数空间分布. 图 5为经济发展水平对两大城市群交通碳排放的空间回归系数分布. 总体来看，在2010年和2022年，经济发展水平在长三角和粤闽浙两大城市群均以正相关为主. 两大城市群的经济发展水平回归系数约为0.009 9~0.638 0，对交通碳排放的增长表现出一定的促进作用，尤其在江苏和上海等城市最为显著，表明其经济增长仍伴随较高的交通碳排放.

图 5 2010年和2022年经济发展水平回归系数空间分布 Fig. 5 Spatial distribution of the regression coefficients of economic development in 2010 and 2022

人口规模对两大城市群交通碳排放的空间回归系数分布如图 6所示. 回归系数值在两大城市群之间差异较小，回归系数区间为-0.013 2~1.173 9. 从总体来看，人口规模在两大城市群对交通碳排放呈现促进作用. 究其原因是人口密度提升所带来的空间集聚效应，人口密度集聚度越高，交通分担率和减排使用率越难以得到提升，进而导致能源资源无法进行有效的配置，使得城市的交通碳排放总量增加.

图 6 2010年和2022年人口规模回归系数空间分布 Fig. 6 Spatial distribution of the regression coefficients of population size in 2010 and 2022

单位货物经济效益对两大城市群交通碳排放的空间回归系数分布如图 7所示. 从总体来看，2010年单位货物经济效益对于交通碳排放的促进作用从北向南逐渐减弱，而2022年则从研究区的中部分别向北和南逐渐减弱，回归系数约为-0.006 0~0.071 0，其整体影响在空间上变化幅度较大，且对交通碳排放表现出一定的促进作用. 这种现象主要源于两大城市群在交通运输基础设施和港口建设上的协同发展. 近年来，两地区在港口产业结构调整、基础设施完善和运营效率提升上取得显著进展，但运输活动增加导致交通碳排放上升.

图 7 2010年和2022年单位货物经济效益回归系数空间分布 Fig. 7 Spatial distribution of the regression coefficients of economic benefits per unit of goods in 2010 and 2022

3 讨论

（1）能源强度和交通运输强度对两大城市群交通碳排放起到抑制作用，反映出能源利用效率得到不断地提高，同时较为完善的交通基础设施使得交通运输效率变高，进而抑制了两大城市群交通碳排放的增长；经济发展水平、人口规模以及单位货物经济效益对交通碳排放均起到促进作用，长三角城市群和粤闽浙城市群的港口在国际贸易中具有重要地位，货物的装卸运输频次得到增加，港口的吞吐能力得到增强，导致交通碳排放也随之上升.

（2）两大城市群在交通碳排放的空间分布和演化路径上呈现出显著差异：长三角呈现“西北-东南”分布格局，碳排放重心稳定性较高，表现出较强的空间集中性与区域内协同治理成效；而粤闽浙则呈现“东北-西南”扩散趋势，碳排放重心波动较大，反映出多中心发展结构下的空间分散性. 尽管两大城市群的碳排放重心变化存在差异，但其在经济发展水平、交通运输强度、运输结构以及单位货物经济效益等方面表现出较强的同质性.

（3）在空间影响方面，单位货物经济效益对两大城市群交通碳排放总体呈现促进作用，且空间异质性相对较弱. 两大城市群人口规模和经济发展水平的回归系数值总体为正，说明在空间分布上，人口的聚集和经济的集中发展对碳排放的促进作用依然强劲. 人口规模的空间异质性在逐渐增强，表明两大城市群南北之间人口规模对交通碳排放的影响存在差异，因而需要考虑区域的实际情况来制定更精准的减排目标.

4 结论

（1）两大城市群交通碳排放量整体呈先升后降趋势，长三角城市群和粤闽浙城市群的交通碳排放量分别从2010年的约9 500万t和8 300万t增长至2019年的约13 500万t和11 400万t，但在2020年后受疫情冲击影响下降明显. 其中，两者交通碳排放量年均增速接近，分别为1.92%和0.99%，体现出经济发展水平相近背景下碳排放增量的阶段一致性. 经济发展水平是促进交通碳排放的主要因素，而能源强度是抑制交通碳排放的主要因素.

（2）碳排放空间格局差异明显，重心迁移与扩散路径不同. 长三角城市群碳排放呈“西北-东南”集聚格局，在2010~2011年间，重心迁移距离最大达到约15 km，近年来重心稳定于江苏无锡，空间分布趋于集中；而粤闽浙城市群碳排放呈“东北-西南”扩散趋势，重心稳定于福建龙岩但波动明显，在2011~2012年间重心迁移距离最大达到约47 km，反映出多中心发展格局下的空间分散性.

（3）能源结构与能源强度的空间异质性最强，能源结构的带宽由2010年的49减少到2022年的46，能源强度的带宽也由51减少到48，表明其影响具明显局部性，减排效果依赖于区域能源基础与技术条件；而经济发展水平、人口规模和单位货物经济效益在两大城市群主要表现为促进作用，反映出区域间发展路径与排放响应具有一致性.

参考文献

[1]	Zhang L Y, Weng D W, Wen X J, et al. Unveiling intra-provincial cities carbon gap: exploring transportation emissions in ecological Vanguard[J]. Transportation Research Part D: Transport and Environment, 2025, 144. DOI:10.1016/j.trd.2025.104799
[2]	Zhang L Y, Weng D W, Wen X J, et al. Pathways towards carbon-peak transportation in China: energy alternatives and emission mitigation strategies[J]. Energy for Sustainable Development, 2025, 88. DOI:10.1016/j.esd.2025.101796
[3]	Weng D W, Zhang H F, Wen X J, et al. Co-benefits of carbon and pollutant emission reduction in urban transport: sustainable pathways and economic efficiency[J]. Urban Climate, 2025, 60. DOI:10.1016/j.uclim.2025.102348
[4]	Liu Z, Qiu Z W, Yan N, et al. Impact of an urban street canyon's greening configurations on its traffic-related particulate matter[J]. Urban Climate, 2025, 60. DOI:10.1016/j.uclim.2025.102365
[5]	Xiang S, Zhang S J, Yu Y T, et al. Significant NO₂ formation in truck exhaust plumes and its association with Ambient O₃: evidence from extensive plume-chasing measurements[J]. Environmental Science & Technology, 2025, 59(8): 4014-4024.
[6]	Heidari E, Bikdeli S, Daneshvar M R M, et al. A dynamic model for CO₂ emissions induced by urban transportation during 2005-2030, a case study of Mashhad, Iran[J]. Environment, Development and Sustainability, 2023, 25(5): 4217-4236. DOI:10.1007/s10668-022-02240-7
[7]	IEA. CO₂ emissions in 2022[R]. Paris: IEA, 2023.
[8]	师帅, 肖雨荀, 周林庆, 等. 中国省域农业碳中和评价及其空间关联特征[J]. 环境科学, 2025, 46(10): 6110-6118. Shi S, Xiao Y X, Zhou L Q, et al. Carbon neutrality evaluation and spatial correlation characteristics of provincial agriculture in China[J]. Environmental Science, 2025, 46(10): 6110-6118. DOI:10.13227/j.hjkx.202409002
[9]	贺凯, 宋洁, 潘艺, 等. 山西省公路货运碳排放时空异质性及影响因素[J]. 海南师范大学学报(自然科学版), 2024, 37(2): 224-233. He K, Song J, Pan Y, et al. Spatiotemporal heterogeneity and influencing factors of carbon emissions from highway freight transportation in Shanxi Province[J]. Journal of Hainan Normal University (Natural Science), 2024, 37(2): 224-233.
[10]	翁大维, 谢郑一, 温晓娟, 等. 福建省城市群道路交通碳排放时空异质性[J]. 环境科学, 2025, 46(8): 4826-4838. Weng D W, Xie Z Y, Wen X J, et al. Spatial and temporal heterogeneity of road transportation carbon emissions in urban agglomerations of Fujian Province[J]. Environmental Science, 2025, 46(8): 4826-4838. DOI:10.13227/j.hjkx.202408058
[11]	陈思宇, 魏思琪, 都瓦拉. 中国省域碳排放及其影响因素时空特征分析——基于MGWR模型的研究[J]. 内蒙古科技与经济, 2022(5): 3-7. Chen S Y, Wei S Q, Du W L. Analysis on the temporal and spatial characteristics of carbon emission ant its impact factors in provinces of China——Research based on MGWR model[J]. Inner Mongolia Science Technology & Economy, 2022(5): 3-7.
[12]	解利剑, 周露婷. 中国省际碳排放强度的时空格局及其影响因素研究[J]. 资源开发与市场, 2025, 41(1): 28-37. Xie L J, Zhou L T. Study on the spatial-temporal pattern and driving factors of inter-provincial carbon emission intensity in China[J]. Resource Development & Market, 2025, 41(1): 28-37.
[13]	王建民, 王理想, 彭菲, 等. 长三角地区碳排放驱动因素的经济效应测度[J]. 环境科学, 2025, 46(10): 6162-6172. Wang J M, Wang L X, Peng F, et al. Economic effect measurement of driving factors of carbon emission in Yangtze River Delta region[J]. Environmental Science, 2025, 46(10): 6162-6172. DOI:10.13227/j.hjkx.202409252
[14]	曾灿英, 韩丹叶, 刘庄田, 等. 区域经济差异背景下中国二氧化碳排放影响因素与减排策略[J]. 环境科学, 2025, 46(10): 6221-6232. Zeng C Y, Han D Y, Liu Z T, et al. Influencing factors and mitigation strategies for carbon dioxide emissions in China under regional economic differentiation[J]. Environmental Science, 2025, 46(10): 6221-6232. DOI:10.13227/j.hjkx.202406183
[15]	刘泽珺, 鞠美庭. 基于STIRPAT模型的北方某滨海城市碳达峰情景分析[J]. 环境科学, 2025, 46(9): 5524-5534. Liu Z J, Ju M T. Scenario analysis of carbon peaking in a northern coastal city based on STIRPAT model[J]. Environmental Science, 2025, 46(9): 5524-5534. DOI:10.13227/j.hjkx.202409185
[16]	王永阳, 蔡宴朋, 张盼. 珠三角城市群净碳排放与经济发展脱钩效应及其驱动力[J]. 生态学报, 2025, 45(3): 1303-1314. Wang Y Y, Cai Y P, Zhang P. Decoupling effect and driving factors of net carbon emissions and economic development in the Pearl River Delta urban agglomeration[J]. Acta Ecologica Sinica, 2025, 45(3): 1303-1314.
[17]	张兰怡, 徐艺诺, 翁大维, 等. 经济高质量发展背景下中国省域物流业碳排放时空分异[J]. 环境科学, 2024, 45(9): 5086-5096. Zhang L Y, Xu Y N, Weng D W, et al. Spatiotemporal differentiation of carbon emissions from logistics industry at provincial scale in China under the background of high-quality economic development[J]. Environmental Science, 2024, 45(9): 5086-5096. DOI:10.13227/j.hjkx.202311015
[18]	Zhang L Y, Weng D W, Xu Y N, et al. Spatio-temporal evolution characteristics of carbon emissions from road transportation in the mainland of China from 2006 to 2021[J]. Science of the Total Environment, 2024, 917. DOI:10.1016/J.SCITOTENV.2024.170430
[19]	张兰怡, 翁大维, 王硕, 等. 赣闽粤地区交通碳排放时空演化及驱动力[J]. 环境科学, 2025, 46(5): 2886-2896. Zhang L Y, Weng D W, Wang S, et al. Spatio-temporal evolution and driving forces of transportation carbon emissions in Jiangxi, Fujian, and Guangdong regions[J]. Environmental Science, 2025, 46(5): 2886-2896. DOI:10.13227/j.hjkx.202404215
[20]	连艳琼, 施生旭. 粤闽浙沿海城市群减污降碳协同治理评价研究[J]. 环境科学与技术, 2024, 47(8): 217-227. Lian Y Q, Shi S X. Evaluation research on synergistic governance of pollution and carbon reduction in coastal urban agglomerations of Guangdong, Fujian and Zhejiang Provinces[J]. Environmental Science & Technology, 2024, 47(8): 217-227.
[21]	李静, 王坤, 陈奕伶, 等. 京津冀地区能源消费碳排放量变化及其影响因素[J]. 天津师范大学学报(自然科学版), 2025, 45(2): 54-62. Li J, Wang K, Chen Y L, et al. Change of carbon emissions from energy consumption in Beijing-Tianjin-Hebei region and its influencing factors[J]. Journal of Tianjin Normal University (Natural Science Edition), 2025, 45(2): 54-62.
[22]	张玉苛, 牛建广, 辛伯雄, 等. 环渤海地区城市碳排放时空差异及影响因素分析[J]. 河北省科学院学报, 2024, 41(6): 15-24. Zhang Y K, Niu J G, Xin B X, et al. Temporal and spatial differences and influencing factors of urban carbon emissions in Bohai Rim region[J]. Journal of the Hebei Academy of Sciences, 2024, 41(6): 15-24.
[23]	张永凯, 田雨. 黄河流域城市群碳排放与经济增长脱钩状态及驱动因素[J]. 人民黄河, 2023, 45(5): 30-35. Zhang Y K, Tian Y. Decoupling condition between carbon emission and economic growth in Yellow River Basin urban agglomeration and its driving factors[J]. Yellow River, 2023, 45(5): 30-35.
[24]	Qi X X, Mao X Y, Huang X J, et al. Tracing the sources of air pollutant emissions embodied in exports in the Yangtze River Delta, China: a four-level perspective[J]. Journal of Cleaner Production, 2020, 254. DOI:10.1016/j.jclepro.2020.120155
[25]	徐艺诺, 翁大维, 王硕, 等. 粤闽浙沿海重点城市道路交通节能减排路径[J]. 环境科学, 2024, 45(5): 3107-3118. Xu Y N, Weng D W, Wang S, et al. Energy-saving and emission reduction path for road traffic in key coastal cities of Guangdong, Fujian and Zhejiang[J]. Environmental Science, 2024, 45(5): 3107-3118. DOI:10.13227/j.hjkx.202305249
[26]	魏丽莉, 侯宇琦, 曹昊煜. 中国城市碳排放绩效: 动态分解、空间差异与影响因素[J]. 统计与信息论坛, 2024, 39(2): 69-83. Wei L L, Hou Y Q, Cao H Y. Urban carbon emission performance in China: dynamic decomposition, spatial difference and influencing factors[J]. Journal of Statistics and Information, 2024, 39(2): 69-83.
[27]	李雅楠, 朱倩如. 数字经济发展如何改善城市碳排放?——基于长三角城市群的证据[J]. 运筹与模糊学, 2025, 15(1): 160-171. Li Y N, Zhu Q R. How can the development of the digital economy improve urban carbon emissions? — Evidence based on the Yangtze River Delta urban agglomeration[J]. Operations Research and Fuzziology, 2025, 15(1): 160-171.
[28]	朱魏炜, 吴蕾, 杨满意, 等. 基于LMDI-LEAP模型的淮北市减污降碳协同增效路径[J]. 环境科学, 2026, 47(1): 197-209. Zhu W W, Wu L, Yang M Y, et al. Synergistic path of pollution reduction and carbon reduction in Huaibei city based on LMDI-LEAP modeling[J]. Environmental Science, 2026, 47(1): 197-209. DOI:10.13227/j.hjkx.202411122
[29]	汪辉平, 张准. 中国碳排放脱钩效应、驱动因素与预测分析[J]. 环境科学, 2026, 47(3): 1400-1412. Wang H P, Zhang Z. Analysis of China's carbon emission decoupling effect, driving factors, and forecasting[J]. Environmental Science, 2026, 47(3): 1400-1412. DOI:10.13227/j.hjkx.202503158
[30]	刘元欣, 贺铄, 江雅婧, 等. 中国四大城市群碳排放驱动因素时空分解研究[J]. 气候变化研究进展, 2024, 20(2): 231-241. Liu Y X, He S, Jiang Y J, et al. Spatial-temporal decomposition of carbon emissions in China's four major urban agglomerations[J]. Climate Change Research, 2024, 20(2): 231-241.
[31]	毛保华, 赵义馨, 李宁海, 等. 我国高速铁路与民航客运碳排放因子及其影响因素研究[J]. 北京交通大学学报, 2024, 48(4): 11-21. Mao B H, Zhao Y X, Li N H, et al. Study on carbon emission factors and their influencing factors in high-speed railway and civil aviation passenger transport in China[J]. Journal of Beijing Jiaotong University, 2024, 48(4): 11-21.
[32]	邓宣凯, 喻艳华, 刘艳芳. "十二五"各省区CO₂排放控制及减排压力评价[J]. 经济地理, 2014, 34(5): 155-161. Deng X K, Yu Y H, Liu Y F. The 12th Five-Year provincial carbon dioxide emission control and assessment of reduction pressure in China[J]. Economic Geography, 2014, 34(5): 155-161.
[33]	毛丰付, 高雨晨, 周灿. 长江经济带数字产业空间格局演化及驱动因素[J]. 地理研究, 2022, 41(6): 1593-1609. Mao F F, Gao Y C, Zhou C. Evolution characteristics of spatial patterns of digital industry and its driving factors in the Yangtze River Economic Belt[J]. Geographical Research, 2022, 41(6): 1593-1609.
[34]	王强, 崔军茹, 崔璨, 等. 流动人口购房意愿影响因素的空间异质性——基于MGWR模型的研究[J]. 地理科学, 2022, 42(8): 1381-1390. Wang Q, Cui J R, Cui C, et al. Spatial heterogeneity of floating population's home purchase intention in China: a multi-scale geographically weighted regression approach[J]. Scientia Geographica Sinica, 2022, 42(8): 1381-1390.
[35]	王超, 武丽敏. 基于"双碳"视角的丝绸之路经济带交通碳减排驱动因素分析[J]. 干旱区资源与环境, 2024, 38(2): 9-19. Wang C, Wu L M. Factors driving the carbon emission reduction in transport along the Silk Road Economic Belt: an analysis from the perspective of "double carbon"[J]. Journal of Arid Land Resources and Environment, 2024, 38(2): 9-19.
[36]	Zhang Z X, Jia J S, Zhong C L, et al. Decomposition of intensity and sustainable use countermeasures for the energy resources of the northwestern five provinces of China using the logarithmic mean divisia index (LMDI) method and three convergence models[J]. Energies, 2025, 18(6). DOI:10.3390/en18061330
[37]	葛青秀, 杨萍果, 蒲英霞. 中国省域交通运输碳排放脱钩状态及其驱动因素[J]. 环境科学, 2025, 46(4): 2009-2019. Ge Q X, Yang P G, Pu Y X. Decoupling status and driving factors of provincial transport carbon emissions in China[J]. Environmental Science, 2025, 46(4): 2009-2019. DOI:10.13227/j.hjkx.202402109
[38]	郑烈龙, 张强, 杨方社, 等. 基于LMDI和系统动力学的陕西省CO₂减排潜力估算[J]. 环境科学, 2025, 46(8): 4934-4946. Zheng L L, Zhang Q, Yang F S, et al. Estimation of terminal CO₂ emission reduction potential in Shaanxi province based on LMDI and system dynamics[J]. Environmental Science, 2025, 46(8): 4934-4946. DOI:10.13227/j.hjkx.202407100
[39]	陈涛, 李晓阳, 陈斌. "双碳"目标下交通运输业碳排放脱钩效应与峰值预测[J]. 交通运输工程学报, 2024, 24(4): 104-116. Chen T, Li X Y, Chen B. Decoupling effect and peak prediction of carbon emission in transportation industry under dual-carbon target[J]. Journal of Traffic and Transportation Engineering, 2024, 24(4): 104-116.
[40]	赵强, 李迎迎, 刘嵩, 等. 基于MEIC数据的长三角地区CO₂排放时空演变及影响因素分析[J]. 环境科学研究, 2024, 37(8): 1666-1679. Zhao Q, Li Y Y, Liu S, et al. Spatiotemporal evolution and influencing factors of CO₂ emissions in the Yangtze River delta region based on MEIC data[J]. Research of Environmental Sciences, 2024, 37(8): 1666-1679.
[41]	王智琦, 李建国, 彭彬彬, 等. 西部地区交通碳排放的驱动因素与脱钩效应分析[J]. 环境工程, 2023, 41(10): 213-222. Wang Z Q, Li J G, Peng B B, et al. Driving factors and decoupling effect analysis of transportation carbon emissions in western China[J]. Environmental Engineering, 2023, 41(10): 213-222.
[42]	王世进, 蒯乐伊. 中国交通运输业碳排放驱动因素与达峰路径[J]. 资源科学, 2022, 44(12): 2415-2427. Wang S J, Kuai L Y. Driving factors and peaking path of CO₂ emissions for China's transportation sector[J]. Resources Science, 2022, 44(12): 2415-2427.
[43]	杨绍华, 张宇泉, 耿涌. 基于LMDI的长江经济带交通碳排放变化分析[J]. 中国环境科学, 2022, 42(10): 4817-4826. Yang S H, Zhang Y Q, Geng Y. An LMDI-based investigation of the changes in carbon emissions of the transportation sector in the Yangtze River Economic Belt[J]. China Environmental Science, 2022, 42(10): 4817-4826.
[44]	Huang H C, Li B W, Wang Y Z, et al. Analysis of factors influencing energy consumption of electric vehicles: statistical, predictive, and causal perspectives[J]. Applied Energy, 2024, 375. DOI:10.1016/j.apenergy.2024.124110
[45]	邵志国, 李可心, 李梦笛. 中国交通基础设施、经济增长与碳排放的脱钩效应及互动关系分析[J]. 环境科学, 2025, 46(8): 4813-4825. Shao Z G, Li K X, Li M D. Decoupling effect and interactive relationship among transportation infrastructure, economic growth, and carbon emissions in China[J]. Environmental Science, 2025, 46(8): 4813-4825. DOI:10.13227/j.hjkx.202408256
[46]	郭文强, 于忠萍, 雷明, 等. 我国省际碳排放脱钩的动态演变及收敛性分析[J]. 地域研究与开发, 2025, 44(1): 166-172, 180. Guo W Q, Yu Z P, Lei M, et al. Dynamic evolution and convergence analysis of China's carbon emission decoupling[J]. Areal Research and Development, 2025, 44(1): 166-172, 180.
[47]	周元春, 田能, 张润涵, 等. 我国新能源汽车推广的碳减排效果: 基于跨区域电力传输视角[J]. 环境科学, 2025, 47(3): 1566-1575. Zhou Y C, Tian N, Zhang R H, et al. Carbon reduction effect of promoting new energy vehicles in China-cross regional power transmission perspective[J]. Environmental Science, 2025, 47(3): 1566-1575. DOI:10.13227/j.hjkx.202501013
[48]	郭秀锐, 刘一蓉, 张艺铃, 等. 中国四大交通部门的碳减排潜力预测研究[J]. 北京工业大学学报, 2025, 51(4): 422-434. Guo X R, Liu Y R, Zhang Y L, et al. Forecasting carbon emission reduction potential of four major transportation sectors in China[J]. Journal of Beijing University of Technology, 2025, 51(4): 422-434.
[49]	鲍健强, 蒋惠琴, 苗阳, 等. 浙江能否成为"碳达峰、碳中和"先行省[J]. 浙江经济, 2021(2): 17-21.


环境科学 2026, Vol. 47 Issue (6): 3617-3626	PDF